CN111242371A - 一种基于非迭代多模型的光伏发电短期预测校正方法 - Google Patents

Abstract

本发明公开了属于新能源技术领域的一种基于非迭代多模型的光伏发电短期预测校正方法，该方法包括获取光伏电站的历史数据以及数值天气预报数据，对数据进行季节分类并且建立季节性预测模型，进而得到初步预测值。然后通过非迭代的方法建立多个校正模型校正预测结果。本发明避免了累计误差的影响，可以使预测误差降低2％‑6％左右，有效提高了预测精度，有利于电力***的调度以及电网的安全稳定运行。

Description

一种基于非迭代多模型的光伏发电短期预测校正方法

技术领域

本发明属于新能源技术领域。特别涉及一种基于非迭代多模型的光伏发电短期预测校正方法。

背景技术

近十几年来，由于太阳能资源丰富、清洁无污染且取之不尽用之不竭的优势，光伏发电技术得到了迅速发展，光伏电站的数量在全球范围内迅速增长。随着大规模光伏电站接入电力***，光伏发电的间歇性和随机波动等特性给电力调度工作带来了许多困难和挑战。因此准确的光伏功率预测结果对于高比例光伏接入条件下的电力***安全稳定运行具有重要意义。

光伏功率预测根据预测的时间尺度可以分为超短期预测、短期预测、中长期预测。短期预测一般用于修正日前计划曲线，可用于光伏出力的平滑控制以及光伏电站的组件维护及检修，有利于紧急状态的处理，在电力***的运行以及实时调度中具有重要意义。根据所采用的数学物理理论及其预测输出量，光伏发电短期预测方法可分为两大类：①直接预测光电***输出功率的直接预测法(统计法)；②首先对太阳辐射进行预测，然后根据光电转换效率得到光电输出功率的间接预测法(物理法)。

无论是直接预测方法或是间接预测方法都在不同场合得到了应用，但是两种方法都无法避免预测误差较大的问题。由于光伏出力的随机波动性，在光伏出力较大波动时，仅仅依赖于天气预报数值和历史数据无法得到精确结果。因此，为了减少误差对电网***造成的负面影响，需要对功率预测误差进行校正。校正方法能够改善预测精度，减轻不确定性影响，是提升光伏功率预测***工程实用性的有效手段。

发明内容

本发明的目的是提供一种基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，包括以下步骤：

S1.原始数据处理，将历史环境数据及数值天气预报数据按季节划分；

S2.将步骤S1按季节划分气象数据以及光伏出力数据，通过对输入和输出变量的训练，建立每个季节的预测模型；

S3.预测及结果，从步骤S2建立的每个季节的预测模型中选择合适的模型进行预测，并得到结果；

S4.校正数据选取；从步骤S3得到结果中选取需要的预测功率和实测功率；

S5.建立校正模型，采用非迭代的方式建立不同时刻的校正模型；

S6.校正结果，综合不同模型的输出，得到校正功率。

所述步骤S1中的收集的原始数据包括光伏电站历史功率数据，历史气象数据；所述光伏电站历史功率数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度和风速数据；并将收集到的光伏电站历史功率数据和历史气象数据按照季节进行分类。

所述步骤S2中，根据分类后的数据建立季节性预测模型，具体包括如下步骤：

S21.分别使用支持向量机、BP神经网络和极限学习机对不同季节输入变量和输出变量进行训练，建立了每个季节输入输出变量间的映射关系；

S22.分别得到了关于支持向量机、BP神经网络和极限学习机的春、夏、秋、冬四个季节的预测模型。

所述步骤S3中，通过季节模型预测光伏输出功率，具体包括如下步骤：

S31.判断预测数据所在的季节，使用三种算法选择合适的季节模型预测；

S32.得到光伏功率预测结果。

所述步骤S4中，对校正部分的训练和预测数据进行选择，具体包括如下步骤：

S41.校正部分模型训练时预测功率和实测功率数量的选择；

S42.根据需要选择预测功率数量进行校正；校正时，选取预测功率x(t+1),x(t+2),…x(t+L)和实际功率x'(t-k+1),…x'(t-1),x'(t)输入模型，得到对应时刻的校正功率；其中，(x(t+1),x(t+2),…x(t+L)分别为t+1,t+2,…t+L时刻的预测功率；x'(t-k+1),…x'(t-1),x'(t)分别为t-k+1,…t-1,t时刻的实际功率。

所述步骤S5中，使用极限学习机训练输入和输出变量，具体包括如下步骤：

S51.通过极限学习机利用选择的训练数据训练模型参数，建立输入变量和输出变量之间的映射关系；

设有M个任意的数据(x_i,t_i)，其中x_i＝[x_i1，x_i2……x_im]^T∈R^m，t_i＝[t_i1，t_i2……t_in]^T∈Rⁿ，则含有N个隐层节点激励函数为G的前馈神经网络的输出可表示为:

式中：a_i＝[a_1i,a_2i,……a_mi]^T为第i个隐层节点与输入节点的权值向量；β_i＝[β_i1,β_i2,……β_in]^T为第i个隐层节点与输出节点的权值向量；b_i是第i个隐层节点的偏置；N为隐层节点数目；公式(1)可简写为:

Hβ＝T (2)

式中：H为隐层输出矩阵，H的第i列对应输入x₁,x₂,……x_n第i个隐层输出向量；输出权值可以通过求解线性方程组(3)的最小二乘解来获得；

最小二乘解为:

β＝H⁺T (5)

中H⁺为隐层输出矩阵H的Moore-Penrose广义逆。

S52.利用极限学习机使用非迭代的方法建立L个模型。

所述步骤S6中，对短期预测预测结果进行校正，具体包括如下步骤：

S61.将数值天气预报数据输入S32所述的季节性模型，得到初步预测功率；

S62.将预测功率代入步骤S52所述的校正模型中，即可得到最终的光伏校正功率。

本发明的光伏功率短期预测校正方法的优点体现在：通过出力序列之间的连续性校正功率短期预测结果，提高预测精度。为光伏出力的平滑控制以及光伏电站的组件维护及检修，包括电力***的运行以及实时调度提供有效信息。本发明具有特点如下：

1.基于季节模型的预测方法为提高模型在不同季节情况下的出力的适应性提供了可能，能够获得更高的预测精度。

2.考虑光伏出力序列之间的连续性，将实际值引入校正模型，极大程度上提高了预测精度。为电力***的调度和安全稳定运行提供了保障

3.非迭代法相对于常规迭代法，避免了累计误差带来的影响，具有更高的预测精度。

附图说明

图1为光伏发电短期预测校正流程图；

图2为ELM结构图；

图3为非迭代校正模型；

图4为使用6个实际值校正的预测功率；其中a为前6个值进行校正后实际功率与预测功率的关系；b为前6个值进行校正后误差分布情况；

图5为不同季节预测输出功率情况；其中，a春季、b夏季、c秋季、d冬季；

图6为不同月份误差分布情况；其中，a，RMSE与b，MAE；

具体实施方式

本发明提供一种基于非迭代多模型的光伏发电短期预测校正方法。下面结合附图和具体实施例，对本发明的光伏功率多模型区间预测方法作进一步说明。

图1所示为光伏发电短期预测校正流程图；所述基于非迭代多模型的光伏发电短期预测校正方法的流程具体步骤如下：

S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据。

历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。选取华北电力大学新能源电力***国家重点实验室光伏实证测试电站2018年全年的数据，此电站由容量为250Kw的光伏发电***、太阳能气象站、光伏电站监控***和数值天气预报***组成，数据采样时间为15分钟。本发明选取其中10KW光伏阵列进行分析，并将光伏历史数据按照季节进行分类。

S2.根据分类后的数据建立季节性预测模型，具体包括如下步骤：

S21.分别使用支持向量机、BP神经网络和极限学习机对不同季节输入变量和输出变量进行训练，建立了每个季节输入输出变量间的映射关系。

S22.分别得到了关于支持向量机、BP神经网络和极限学习机的春、夏、秋、冬四个季节的预测模型。

S3.通过季节模型预测光伏输出功率，具体包括如下步骤：

S31.判定预测数据所在季节，选择合适的模型预测。

S32.得到功率预测结果。

分析预测结果可以发现，误差为正的频率要高于误差为负的频率，这说明预测值大于实测值的情况出现的概率要高一些。

S4.对校正部分的训练和预测数据进行选择，具体包括如下步骤：

S41.校正部分模型训练时预测功率和实测功率数量的选择。

S42.根据需要选择预测功率数量进行校正。校正时，选取预测功率x(t+1),x(t+2),…x(t+L)和实际功率x'(t-k+1),…x'(t-1),x'(t)输入模型，得到对应时刻的校正功率。

S5使用极限学习机训练输入和输出变量，具体包括如下步骤：

S51.通过极限学习机利用选择的训练数据训练模型参数，建立输入变量和输出变量之间的映射关系。

极限学习机的原理如图2所示

设有M个任意的数据(x_i,t_i)，其中x_i＝[x_i1，x_i2……x_im]^T∈R^m，t_i＝[t_i1，t_i2……t_in]^T∈Rⁿ，则含有N个隐层节点激励函数为G的前馈神经网络的输出可表示为:

式中：a_i＝[a_1i,a_2i,……a_mi]^T为第i个隐层节点与输入节点的权值向量；β_i＝[β_i1,β_i2,……β_in]^T为第i个隐层节点与输出节点的权值向量；b_i是第i个隐层节点的偏置；N为隐层节点数目。公式(3)可简写为:

Hβ＝T (2)

式中：H为隐层输出矩阵，H的第i列对应输入x₁,x₂,……x_n第i个隐层输出向量。输出权值可以通过求解线性方程组(3)的最小二乘解来获得；

最小二乘解为:β＝H⁺T (5)

式中H⁺为隐层输出矩阵H的Moore-Penrose广义逆。

S52.利用极限学习机使用非迭代的方法建立L个模型。

进行短期预测时，常常采用滚动迭代的方法，即把每一次预测得到的值作为当时时刻的实际值输入模型。但是，由于误差的积累，预测误差会随着预测时间的增大而增大，导致预测结果偏差增大。考虑到迭代方法的这种局限性，舍弃迭代法，选择了一种非迭代的方式。

假设在t时刻需要校正未来L个时刻的光伏输出功率，其输入输出变量如图3所示。

为实际功率，是模型输入值；x(t+1),x(t+2),x(t+3),…,x(t+L)为预测功率，加粗部分分别为不同模型的输入值；校正功率部分的x'(t+1),x'(t+2),x'(t+3),…,x'(t+L)为不同模型的输出值。训练的输入数据是某时刻的功率预测值和预测值之前k个真实值。校正时，输入数据分别为x(t+1)到x(t+L)的预测值和

到

的实测值，输出数据为校正值。

S6.对短期预测预测结果进行校正，具体包括如下步骤：

S61.将数值天气预报数据输入S32所述的季节性模型，得到初步预测功率；

S62.将预测功率代入步骤S52所述的校正模型中，即可得到最终的光伏校正功率。

选取RMSE和MAE作为误差评价指标，如下所示：

式中：P为装机容量；n为样本个数；e_t代表误差。

如表1所示，当用过去一个值校正时，RMSE和MAE分别为4.4774和1.9372。随着个数的增加，RMSE和MAE的值都开始下降，RMSE和MAE在第六个值时达到最小。到达这个最小点之后，RMSE和MAE基本保持稳定甚至还略有增加。也就是说，当过去值的个数为6个时得到的效果最佳。这里，我们选择前6个值校正。

表1用过去不同个值校正时误差表

图4为利用前6个值进行校正后实际功率与预测功率和校正功率的关系。其中a为前6个值进行校正后实际功率与预测功率的关系；可以看出，预测功率与实际功率的偏差较大且在虚线y＝x左上方分布比较明显，即预测功率大于实际功率的概率要高于实际功率大于预测功率的概率。但校正功率的点都位于虚线两侧，分布比较集中，整体偏差不是很大，只有极个别值偏离虚线较远，误差较大。b为前6个值进行校正后误差分布情况。从图中可以看出，预测误差的值较大，而且分布区间广，在[-3000,4000]范围内都有分布。校正后的误差值明显有大幅度的收敛，误差大大降低，大部分位于[-1000,1000]范围内，少部分超出了这一范围。这说明经校正后，降低了误差，提高了预测精度。虽然，非迭代的方法能够减少误差的积累，但是预测精度也会随着时间尺度的增大而降低。而且，使用临近的实际值校正预测值需要保证两者之间联系紧密，具有一定的时间序列上的连续性，连续性越强则精度越高。一旦需要校正的时间尺度过长，误差会越来越大。表2中，第一个校正值的误差很小，而随着校正值与实际值的时间距离越来越大，RMSE几乎每次增加1％左右，MAE大约每次增加0.5％左右。尤其第七和第八个校正值的误差已经大于10％，相比于最开始的4.3764％，增加了不止一倍的误差。因此，需要选择一个合适的校正时间尺度。本次使用的光伏数据时间分辨率为15分钟，四个点为1小时。根据上表可以发现校正4个点，即时间为一小时时相对合理。

表2校正值不同时误差情况

表3为光伏电站2017年预测误差统计情况。BP、SVM、ELM的RMSE在10％左右，MAE在5％左右。而校正模型的两种误差分别为5.6795％和2.5028％，相比于其它几个模型误差几乎降低了一倍，可见校正模型能够有效提高精度。

表3不同模型误差

图5中a春季、b夏季、c秋季、d冬季所示，呈现了不同季节的预测值、实际值和校正值之间的关系。从图5可以看出，由三种算法得到的预测曲线与实际出力曲线相比偏差较大，而且比较平滑，不能很好的拟合出光伏出力的波动特性。校正曲线与预测曲线相比，不仅减小了误差，而且和实际曲线的拟合度更高。由于采用非迭代的方法每次校正一小时的预测值，虽然能够防止迭代带来的误差积累，但精度也会随着时间的增加而降低。从图中也可以看到，每次校正的第一个值相比上一次校正的最后一个值误差会减小，而随着时间的增加，其后的校正值误差又开始增加。

如图6中a，RMSE与b，MAE所示，与，三种验证算法的整体趋势是吻合的，只是在后几个月份稍微有所区别。校正算法与其它算法大趋势上是吻合的，但在某些地方(例如2月份、7月份等)有些差别。校正算法能将大部分的误差降低一倍以上。另外，观察图a与图b，RMSE与MAE都呈现出先上升在下降，然后又上升又下降的趋势。此外，三种验证算法的误差最大值出现在七月份，而校正误差的最大值出现在八月份。三种验证算法的误差最小值出现在十二月份，而校正误差的最小值却出现在一月份。这说明并非预测误差最小，校正误差就一定最小，二者并不是确定的关系。三种算法中，BP预测速度快，在后期波动性较小，相对平稳。SVM预测速度慢，参数选择困难，但在前两个月误差要显著低于其它两种方法。ELM收敛速度快，但有时误差较大。

本发明考虑了误差的季节分布特性，建立了季节性预测模型，并将实际值引入校正模型，对预测结果校正，相比常规的预测方式，此校正方法大大提高了预测精度。另外，本发明使用的非迭代方法相比于迭代法避免了累计误差带来的影响，具有更高的预测精度。

Claims (7)

1.一种基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，包括以下步骤：

S1.原始数据处理，将历史环境数据及数值天气预报数据按季节划分；

S2.将步骤S1按季节划分气象数据以及光伏出力数据，通过对输入和输出变量的训练，建立每个季节的预测模型；

S3.预测及结果，从步骤S2建立的每个季节的预测模型中选择合适的模型进行预测，并得到结果；

S4.校正数据选取；从步骤S3得到结果中选取需要的预测功率和实测功率；

S5.建立校正模型，采用非迭代的方式建立不同时刻的校正模型；

S6.校正结果，综合不同模型的输出，得到校正功率。

2.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S1中的收集的原始数据包括光伏电站历史功率数据和历史数值天气预报数据；其中，光伏电站历史功率数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据；数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度和风速数据；并将收集到的光伏电站历史功率数据和历史气象数据按照季节进行分类。

3.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S2中，根据分类后的数据建立季节性预测模型，具体包括如下步骤：

S21.分别使用支持向量机、BP神经网络和极限学习机对不同季节输入变量和输出变量进行训练，建立了每个季节输入输出变量间的映射关系；

S22.分别得到了关于支持向量机、BP神经网络和极限学习机的春、夏、秋、冬四个季节的预测模型。

4.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S3中，通过季节模型预测光伏输出功率，具体包括如下步骤：

S31.判断预测数据所在的季节，使用三种算法选择合适的季节模型预测；

S32.得到光伏功率预测结果。

5.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S4中，对校正部分的训练和预测数据进行选择，具体包括如下步骤：

S41.校正部分模型训练时预测功率和实测功率数量的选择；

S42.根据需要选择预测功率数量进行校正；校正时，选取预测功率x(t+1),x(t+2),…x(t+L)和实际功率x'(t-k+1),…x'(t-1),x'(t)输入模型，得到对应时刻的校正功率；其中，(x(t+1),x(t+2),…x(t+L)分别为t+1,t+2,…t+L时刻的预测功率；x'(t-k+1),…x'(t-1),x'(t)分别为t-k+1,…t-1,t时刻的实际功率。

6.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S5中，使用极限学习机训练输入和输出变量，具体包括如下步骤：

S51.通过极限学习机利用选择的训练数据训练模型参数，建立输入变量和输出变量之间的映射关系；

设有M个任意的数据(x_i,t_i)，其中x_i＝[x_i1，x_i2……x_im]^T∈R^m，t_i＝[t_i1，t_i2……t_in]^T∈Rⁿ，则含有N个隐层节点激励函数为G的前馈神经网络的输出表示为:

式中：a_i＝[a_1i,a_2i,……a_mi]^T为第i个隐层节点与输入节点的权值向量；β_i＝[β_i1,β_i2,……β_in]^T为第i个隐层节点与输出节点的权值向量；b_i是第i个隐层节点的偏置；N为隐层节点数目；公式(1)简写为:

Hβ＝T (2)

式中：H为隐层输出矩阵，H的第i列对应输入x₁,x₂,……x_n第i个隐层输出向量；输出权值可以通过求解线性方程组(3)的最小二乘解来获得；

最小二乘解为:

β＝H⁺T (5)

式中H⁺为隐层输出矩阵H的Moore-Penrose广义逆；

S52.利用极限学习机使用非迭代的方法建立L个模型。

7.根据权利要求1所述基于非迭代多模型的光伏发电短期预测校正方法，其特征在于，所述步骤S6中，对短期预测预测结果进行校正，具体包括如下步骤：

S61.将数值天气预报数据输入S32所述的季节性模型，得到初步预测功率；

S62.将预测功率代入步骤S52所述的校正模型中，即可得到最终的光伏校正功率。

Images